Metoda strojového učení, která identifikuje skryté vzorce v neoznačených datech bez nutnosti předem definovaných výstupů nebo lidského dohledu.
Zatímco učení s učitelem se snaží predikovat konkrétní hodnoty, učení bez učitele se zaměřuje na modelování struktury dat. Algoritmus dostává vstupní data bez jakýchkoliv štítků a jeho úkolem je najít vnitřní logiku, podobnost nebo anomálie, které nejsou na první pohled zřejmé.
Proces začíná výpočtem matematické vzdálenosti mezi jednotlivými datovými body v n-rozměrném prostoru. Algoritmy jako K-means nebo DBSCAN seskupují body, které jsou si blízko, do tzv. clusterů. Tímto způsobem můžeme automaticky segmentovat zákazníky nebo kategorizovat dokumenty bez manuálního třídění.
V moderní datové vědě často pracujeme se stovkami proměnných, což vede k tzv. "prokletí dimenzionality". Metody jako PCA (Principal Component Analysis) umožňují komprimovat data při zachování nejdůležitějších informací. To je kritické pro vizualizaci komplexních datových sad a zrychlení následného trénování v neurálních sítích.
Protože nemáme "správné odpovědi", evaluace je náročnější než u klasifikace. Používají se metriky jako Silhouette Score nebo Elbow method pro určení optimálního počtu shluků. Podrobnější pohled na měření kvality naleznete v sekci evaluace modelů.
Eliminuje potřebu nákladného a časově náročného manuálního označování dat lidskými experty.
Efektivně identifikuje odlehlé hodnoty, což je klíčové pro kybernetickou bezpečnost a detekci podvodů.
Nachází souvislosti, které lidský analytik v rozsáhlých multidimenzionálních tabulkách přehlédne.
V kontextu inženýrství dat je redukce dimenzionality kritickým krokem před samotným modelováním. Představte si datovou sadu s tisíci příznaky (sloupci). Mnohé z těchto příznaků mohou být redundantní nebo mohou obsahovat šum, který negativně ovlivňuje výkon hardwarové infrastruktury. Algoritmy pro redukci dimenzionality transformují tato data do prostoru s nižším počtem rozměrů, přičemž se snaží zachovat co nejvíce rozptylu (informace).
Nejrozšířenější metodou je Analýza hlavních komponent (PCA). Tato technika využívá lineární transformaci k nalezení nových, nekorelovaných proměnných, tzv. hlavních komponent. První komponenta zachycuje největší možnou variabilitu dat, druhá komponenta druhou největší a tak dále. Tento přístup je nezbytný při přípravě dat pro vizuální analýzu, kde jsme omezeni dvěma nebo třemi rozměry.
Detekce neobvyklých transakcí v reálném čase bez nutnosti historických příkladů podvodů.
Seskupování uživatelů podle nákupního chování pro přesné cílení marketingových kampaní.
Jakmile pochopíte základy strukturování dat, můžete přejít k pokročilým architekturám, které simulují lidské uvažování.
Přejít k neurálním sítím"Učení bez učitele je základním kamenem pro pochopení toho, jak stroje interpretují chaos a mění jej v informaci."